PENGEMBANGAN MODEL GSTAR-SUR DENGAN PENDEKATAN NEURAL NETWORK PADA RESIDUAL

Agus Dwi  Sulistyono; Atiek Iriany; Diana Rosyida

doi:10.29407/hayati.v7i1.586

Authors

Agus Dwi Sulistyono Universitas Brawijaya, Malang
Atiek Iriany Universitas Brawijaya Malang
Diana Rosyida Universitas Brawijaya Malang

DOI:

https://doi.org/10.29407/hayati.v7i1.586

Keywords:

GSTAR-SUR, neural network, curah hujan

Abstract

Model GSTAR merupakan suatu model space time yang stasioner. Salah satu data yang memiliki fenomena space time adalah curah hujan. Curah hujan pada saat sekarang sulit untuk diprediksi karena memiliki pola dan karakteristik yang sulit untuk diidentifikasi. Fenomena ini merupakan fenomena non linier. Adapun model yang mempertimbangkan unsur non linier adalah neural network. Pendugaan parameter model GSTAR yang akan digunakan adalah pendekatan model Seemingly Unrelated Regression (SUR). Metode ini mampu mengatasi adanya korelasi antar sisaan melalui matriks ragam peragam sisaan dalam model. Penelitian ini akan membandingkan hasil ramalan curah hujan menggunakan model GSTAR-SUR dan model GSTAR-SUR dengan pendekatan neural network pada residual. Data yang digunakan dalam penelitian ini adalah data curah hujan di empat daerah Jawa Barat, yaitu Cisondari, Chincona, Cibuni, dan Lembang, mulai tahun 2005 sampai 2018. Data curah hujan ini merupakan data 10 harian. Pada kasus ini model GSTAR-SUR-NN menghasilkan hasil ramal yang lebih mendekati nilai aktual dari pada model GSTAR-SUR.

Downloads

Download data is not yet available.

References

Apriliyah, Mahmudi, W. F., & Widodo, A. W. (2008). Perkiraan Penjualan Beban Listrik Menggunakan Jaringan Saraf Tiruan Resilent Backpropagation. Kursor, 4, no.2, 41–47.

Caudill, M. (1990). Using Neural Nets in Modelling Vector Time Series. AI Expert, (April), 59–64. https://doi.org/10.1108/03684929410074986

Fadil, J., Penangsang, O., & Soeprijanto, A. (2009). Load Forecasting for the Dstribution Network of South and Middle Kalimantan Using Artificial Neural Networks Resilient Propagation. In Proceedings of National Seminar on Apllied Technology, Science, and Arts (1st APTECS). Surabaya.

Iriany, A., Suhariningsih, Ruchjana, B. N., & Setiawan. (2013). Prediction of Precipitation Data at Batu Town Using the GSTAR ( 1 , p ) -SUR Model. Journal of Basic and Applied Scientific Research, 3(6), 860–865.

Kostenko, A. V., & Hyndman, R. J. (2008). Forecasting WithoutSignificance Test?

Pfeifer, P. E., & Deutsch, S. J. (1980). Stationarity and Invertibility Regions for Low Order STARMA Models. Communications in Statistics-Simulation and Computation, 9 no. 5, 551–562.

Ruchjana, B. N. (2002). A Generalized Space Time Autoregressive Model and its Application to Oil Production Data. ITB.

Setiawan. (1992). Study on Seemingly Unrelated Regression (SUR) and its application to Almost Ideal Demand System (AIDS). Institut Pertanian Bogor.

Setiawan, Suhartono, & Prastuti, M. (2016). S-GSTAR-SUR model for seasonal spatio temporal data forecasting. Malaysian Journal of Mathematical Sciences, 10, 53–65.

Suhartono. (2007). Feedforward Neural Networks Untuk Pemodelan Runtun Waktu. Universitas Gadjah Mada.

Suhartono, & Atok, R. M. (2006). Pemilihan Bobot Lokasi yang Optimal pada Model GSTAR. In Prosiding Konferensi Nasional Matematika XIII. Semarang.

Suhartono, & Endharta, A. J. (2011). Double Seasonal Recurrent Neural Networks for Forecasting Short Term Electricity Load Demand in Indonesia. Recurrent Neural Networks or Temporal Data Processing. https://doi.org/10.5772/15062

Suhartono, & Subanar. (2006). The Optimal Determination of Space Weight in GSTAR Model by using Cross-correlation Inference. Journal of Quantitative Methods, 2(2), 45–53. Retrieved from http://personal.its.ac.id/files/pub/1042-suhartono- statisticsSuhartono_and_Subanar.pdf

Suhartono, Ulama, B. S. S., & Endharta, A. J. (2010). Seasonal Time Series Data Forecasting by Using Neural Networks Multiscale Autoregressive Model, 7(10), 1372–1378.

Sulistyono, A. D., Hadi Nugroho, W., & Iriany, A. (2015). Development of Hybrid Model GSTARSUR-NN and Aplication for Rainfall Forecasting. In 1st International Conference Pure Applied Resources Univ. Muhammadiyah Malang (p. 104). Malang.

Sulistyono, A. D., Nugroho, W. H., Fitriani, R., & Iriani, A. (2016). Hybrid Model GSTAR-SUR-NN For Precipitation Data. CAUCHY. https://doi.org/10.18860/ca.v4i2.3490.

Vlahogianni, E. I., & Karlaftis, M. G. (2013). Testing and Comparing Neural Network and Statistical Approaches for Predicting Transportation Time Series. Transportation Research Record: Journal of the Transportation Research Board, 2399(1), 9–22. https://doi.org/10.3141/2399-02

Wei, W. W. S. (2006). Time Series Analysis: Univarite and Multivariate (2nd ed.). USA: Pearson Education Inc.